CN112428247B - 一种针对多主-多从遥操作系统的增强透明性能控制方法 - Google Patents

Abstract

本发明公开了一种针对多主‑多从遥操作系统的增强透明性能控制方法，属于网络化非线性遥操作系统控制技术领域，具体为：针对网络化多主‑多从遥操作系统分别测量各个主、从机器人在末端执行器的位置、速度及加速度信息，并测量操作者对主机器人施加的力信息和从机器人与外界环境的接触力信息；针对多个主机器人基于接收到的从机器人力信息和操作者输入的力信息分别设计导纳理想轨迹生成器；针对多个从机器人基于从机器人本身与环境作用的力信息及接收到的主机器人的位置信息分别设计导纳理想轨迹生成器；分别针对各个主机器人和从机器人定义同步误差变量，并设计神经网络控制器；选取李雅普诺夫函数给出多主‑多从遥操作系统渐渐稳定的充分条件。

Description

一种针对多主-多从遥操作系统的增强透明性能控制方法

技术领域

本发明属于网络化非线性遥操作系统控制技术领域，尤其是一种针对多主-多从遥操作系统的增强透明性能的控制方法。

背景技术

遥操作系统利用通信网络将主、从设备连接起来，当操作者操纵主端设备进行某一个动作时，相应的控制信号通过网络信息传输通道传输到远距离端，指挥从端设备完成相应的操作。遥操作系统可以将人手延伸到人很难到达或是对人有害的环境中去执行任务。在这些应用中，遥操作系统扮演着重要的角色，因此受到了广泛的关注。目前，遥操作技术在工业、服务、医疗、国防、救援和空间技术等多个领域有着广泛的应用前景。

在遥操作实际应用过程中，仍存在许多问题需要解决。如随着遥操作机器人执行的任务越来越复杂，如搬运尺寸较大、重量较重的物体等。对多机器人协作的需求越来越高。而在实际中如在手术、救援等任务中，对遥操作机器人力反馈和临场感有更高的要求，这使得当下控制方法无法满足这一需求。

本专利旨在针对多从-多从遥操作系统在网络通信时延下，基于导纳控制理论，提出一种新的力反馈控制方法，从而提高整个系统的透明性能，增强操作者的沉浸感。

发明内容

本发明目的在于针对多主-多从遥操作系统提供一种增强透明性能控制方法，以解决现有控制器在透明性能方面存在的不足。

为实现上述目的，采用了以下技术方案：本发明所述方法包括以下步骤：

步骤1，针对由K个操作者，K个主机器人和N个从机器人组成的网络化多主-多从遥操作系统，分别测量各个主、从机器人末端执行器的位置x_mx,i,x_sx,j、速度

和加速度

信息，并进一步测量操作者对主机器人施加的力信息F_h,i和从端机器人与外界环境的接触力信息F_e,j，其中i＝1,2,...,K，j＝1,2,...,N。

步骤2，针对多个主机器人基于接收到的从机器人力信息和操作者输入的力信息分别设计导纳理想轨迹生成器

其中，M_d,i,C_d,i,K_d,i∈R^n×n分别选取为对角正定常数矩阵，x_mr,i∈Rⁿ代表主机器人i末端执行器的理想轨迹，

分别代表理想轨迹的速度和加速度信息，∑F_e,j(t-T_j(t))表示与第i个主机器人进行通信的所有从机器人反馈的力经网络信息传输通道之和，T_j(t)代表从机器人信息传输到主机器人i时的时延信息；

步骤3，针对多个从机器人基于从机器人本身与环境的作用的力信息及接收到的主机器人的位置信息分别设计导纳理想轨迹生成器

其中M_e,j,C_e,j∈R^n×n和K_e,j∈R^n×n选定为对角正定常数矩阵，x_sd,j＝x_mx,j(t-T_m,j(t))代表与从机器人j进行通信的主端机器人通过网络传输通道得到的末端执行器位置信息，T_m,j(t)为主机器人信号传输到第j个从机器人时的时延信息，

为x_sd,j的一阶导数信息，

为x_sd,j的二阶导数信息；

步骤4，分别针对各个主机器人和从机器人定义同步误差变量，并设计神经网络控制器

和

其中

为神经网络理想权值W_mx,i的估计值，K_m,i1,K_m,i2,K_m,i3选取为对角正定常数矩阵，p₁,p₂,q₁,q₂均选取为正奇数，且0＜p₁/p₂＜1，1＜q₁/q₂，sign(s_m,i)表示符号函数，即当s_m,i＝0时，sign(s_m,i)＝0，当s_m,i＞0时，sign(s_m,i)＝1，当s_m,i＜0时，sign(s_m,i)＝-1；

为神经网络理想权值W_sx,j的估计值，K_s,j1,K_s,j2,K_s,j3选取为对角正定常数矩阵，sign(s_s,j)表示符号函数，即当s_s,j＝0时，sign(s_s,j)＝0，当s_s,j＞0时，sign(s_s,j)＝1，当s_s,j＜0时，sign(s_s,j)＝-1；

步骤5，选取李雅普诺夫函数给出多主-多从遥操作系统渐近稳定的充分条件K_m,i3≥ε_m,iN和K_s,j3≥ε_s,jN，ε_m,iN和ε_s,jN为正常数。

进一步的，步骤1中，考虑由K个操作者操作K个主机器人，并控制远端N个从机器人进行协同作业，主机器人i和从机器人j在笛卡尔空间下的系统模型为：

其中，下标m代表主机器人，下标s代表从机器人，且i＝1,2,...,K，j＝1,2,...,N，x_mx,i,x_sx,j∈Rⁿ分别为主从机器人末端执行器位移向量，

为末端执行器的速度向量，

为末端执行器的加速度向量，M_mx,i(x_m,i),M_sx,j(x_s,j)∈R^n×n为系统的正定惯性矩阵，

为哥氏力和离心力的向量，G_mx,i(x_m,i),G_sx,j(x_s,j)∈Rⁿ为重力力矩，

为系统存在的未知摩擦力以及有界外界干扰，F_h,i∈Rⁿ和F_e,j∈Rⁿ分别为人类操作者i施加到主机器人i的力和远端环境施加到从机器人j的力矩，u_mx,i∈Rⁿ和u_sx,j∈Rⁿ为控制器提供的控制力矩。

针对以上多主-多从遥操作系统分别测量主机器人和从机器人末端执行器的位置x_mx,i,x_sx,j、速度

和加速度

信息，并测量所受到的外界力信息F_h,i和F_e,j。

进一步的，步骤2中，针对多个主机器人基于接收到的从机器人力信息和操作者输入的力信息针对每个主机器人分别设计其导纳理想轨迹生成器。

以第i个主机器人为例，导纳理想轨迹生成器设计为

其中，M_d,i,C_d,i,K_d,i∈R^n×n分别选取为对角正定常数矩阵，x_mr,i∈Rⁿ代表主机器人i末端执行器的理想轨迹，

分别代表理想轨迹的速度和加速度信息，考虑主机器人i可能同时操作多个从机器人，因此主机器人i可能会同时接收到多个从机器人传输的力信息，因此∑F_e,j(t-T_j(t))表示与第i个主机器人进行通信的所有从机器人反馈的力经网络信息传输通道之和，T_j(t)代表从机器人信息传输到主机器人i时的时延信息。

进一步的，所述步骤3中，针对多个从机器人基于从机器人本身与环境的作用的力信息及接收到的主机器人的末端执行器的位置信息分别针对各个从机器人设计其导纳理想轨迹生成器。

针对从机器人j设计如下导纳轨迹生成器

其中,M_e,j,C_e,j∈R^n×n和K_e,j∈R^n×n选定为对角正定常数矩阵，考虑从机器人一方面需要追踪主机器人的轨迹，一方面需要实现对不同物体的柔顺操作，因此理想轨迹为主机器人轨迹的修正值，因此x_sd,j＝x_mx,j(t-T_m,j(t))代表与从机器人j进行通信的主端机器人通过网络传输通道得到的末端执行器位置信息，T_m,j(t)为主机器人信号传输到第j个从机器人时的时延信息，

为x_sd,j的一阶导数信息，

为x_sd,j的二阶导数信息。

进一步，所述步骤4，分别针对各个主机器人和从机器人定义位置同步误差变量，并设计基于滑模的神经网络控制器。针对主机器人i和从机器人j定义位置误差为

进一步可得速度误差为

基于定义的主、从机器人的位置误差变量，设计如下滑模面

其中，λ_m,i,λ_s,j选取为正常数。

进而对(6)求导得

以主机器人i为例，将(5)-(7)式代入

得

经过变换可得

其中，

依据神经网络逼近原理该非线性函数F_mx,i可利用神经网络进行逼近即，

其中W_mx,i为神经网络理想权值，

选取为高斯径向基方程即

，c_α,b_α分别代表第α个神经元的中心和宽度，

ε(X_m,i)为神经网络估计误差。

进而控制器u_mx,i设计为

其中，

为神经网络理想权值W_mx,i的估计值，K_m,i1,K_m,i2,K_m,i3选取为对角正定常数矩阵，p₁,p₂,q₁,q₂均选取为正奇数，且0＜p₁/p₂＜1，1＜q₁/q₂，sign(s_m,i)表示符号函数，即当s_m,i＝0时，sign(s_m,i)＝0，当s_m,i＞0时，sign(s_m,i)＝1，当s_m,i＜0时，sign(s_m,i)＝-1。

针对从机器人j，将(5)-(7)式代入

得

经过变换可得

其中，

依据神经网络逼近原理该非线性函数F_sx,j同样可利用神经网络进行逼近即，

其中W_sx,j为神经网络理想权值，

选取为高斯径向基方程即

，c_β,b_β分别代表第β个神经元的中心和宽度，

ε(X_s,j)为神经网络估计误差；

进而针对第j个从机器人控制器u_sx,j设计为

其中，

为神经网络理想权值W_sx,j的估计值，K_s,j1,K_s,j2,K_s,j3选取为对角正定常数矩阵，sign(s_s,j)表示符号函数，即当s_s,j＝0时，sign(s_s,j)＝0，当s_s,j＞0时，sign(s_s,j)＝1，当s_s,j＜0时，sign(s_s,j)＝-1。

进一步，所述步骤5，选取李雅普诺夫函数如下：

选取李雅普诺夫函数如下：

其中，

γ_m,i,γ_s,j选取为正常数。

其导数为

进一步通过设计神经网络权值调节律

可得

通过选取适当的神经元个数，神经网络估计误差ε(X_m,i),ε(X_s,j)有界，即满足不等式||ε(X_m,i)||≤ε_m,iN，||ε(X_s,j)||≤ε_s,jN成立，其中ε_m,iN和ε_s,jN选取为正常数。

因此最后可得

当不等式K_m,i3≥ε_m,iN和K_s,j3≥ε_s,jN成立时，可得

因此可得滑模面s_m,i,s_s,j将会快速收敛至零点，且根据s_m,i,s_s,j的定义速度和位置误差

将渐近收敛至零点。标明主、从机器人末端执行器的实际轨迹会快速跟踪理想轨迹，因此主端可获得良好的透明性能，从端机器人可实现对不同物体的柔顺操作。

与现有技术相比，本发明方法具有如下优点：

1、针对各个主机器人设计基于导纳理论的理想轨迹生成器，该轨迹生成器充分考虑了从端机器人对主机器人的反馈力，因此可以大大提高系统透明性能。

2、针对各个从机器人，基于实时测得的外界环境作用力以及主机器人的轨迹信息设计了基于导纳理论的理想轨迹生成器。该轨迹生成器可增强从机器人系统对不同操作物体的柔顺性。

3、针对多个主机器人和多个从机器人分别设计基于滑模的神经网络控制器，且控制器中包括滑模面的高阶项和低阶项，因此可大大加快滑模面的收敛速度。

附图说明

图1为本发明多主-多从遥操作系统的结构框图；

图2为本发明主、从机器人末端执行器的实际轨迹和理想轨迹的轨迹跟踪曲线图；

图3为本发明的控制原理框图。

具体实施方式

下面结合附图对本发明做进一步说明：

如图1所示，针对由K个操作者、K个主机器人和远端N个从机器人，本发明所述方法包括以下步骤：

步骤1，针对网络化多主-多从遥操作系统，分别测量各个主、从机器人末端执行器的位置、速度及加速度信息，并进一步测量操作者对主机器人施加的力信息和从端机器人与外界环境的接触力信息；

考虑由K个操作者操作K个主机器人，并控制远端N个从机器人进行协同作业，主机器人i和从机器人j在笛卡尔空间下的系统模型为：

其中，下标m代表主机器人，下标s代表从机器人，且i＝1,2,...,K，j＝1,2,...,N，x_mx,i,x_sx,j∈Rⁿ分别为主从机器人末端执行器位移向量，

为末端执行器的速度向量，

为末端执行器的加速度向量，M_mx,i(x_m,i),M_sx,j(x_s,j)∈R^n×n为系统的正定惯性矩阵，

为哥氏力和离心力的向量，G_mx,i(x_m,i),G_sx,j(x_s,j)∈Rⁿ为重力力矩，

为系统存在的未知摩擦力以及有界外界干扰，F_h,i∈Rⁿ和F_e,j∈Rⁿ分别为人类操作者i施加到主机器人i的力和远端环境施加到从机器人j的力矩，u_mx,i∈Rⁿ和u_sx,j∈Rⁿ为控制器提供的控制力矩。

针对以上多主-多从遥操作系统分别测量主机器人和从机器人末端执行器的位置x_mx,i,x_sx,j、速度

和加速度

信息，并测量所受到的外界力信息F_h,i和F_e,j。

步骤2，针对多个主机器人基于接收到的从机器人力信息和操作者输入的力信息分别设计导纳理想轨迹生成器；

针对多个主机器人基于接收到的从机器人力信息和操作者输入的力信息针对每个主机器人分别设计其导纳理想轨迹生成器。

以第i个主机器人为例，导纳理想轨迹生成器设计为

其中，M_d,i,C_d,i,K_d,i∈R^n×n分别选取为对角正定常数矩阵，x_mr,i∈Rⁿ代表主机器人i末端执行器的理想轨迹，

分别代表理想轨迹的速度和加速度信息，∑F_e,j(t-T_j(t))表示与第i个主机器人进行通信的所有从机器人反馈的力经网络信息传输通道之和，T_j(t)代表从机器人信息传输到主机器人i时的时延信息。

步骤3，针对多个从机器人基于从机器人本身与环境的作用的力信息及接收到的主机器人的位置信息分别设计导纳理想轨迹生成器；

针对多个从机器人基于从机器人本身与环境的作用的力信息及接收到的主机器人的末端执行器的位置信息分别针对各个从机器人设计其导纳理想轨迹生成器。

针对从机器人j设计如下导纳轨迹生成器

其中,M_e,j,C_e,j∈R^n×n和K_e,j∈R^n×n选定为对角正定常数矩阵，x_sd,j＝x_mx,j(t-T_m,j(t))代表与从机器人j进行通信的主端机器人通过网络传输通道得到的末端执行器位置信息，T_m,j(t)为主机器人信号传输到第j个从机器人时的时延信息，

为x_sd,j的一阶导数信息，

为x_sd,j的二阶导数信息。

步骤4，分别针对各个主机器人和从机器人定义同步误差变量，并设计神经网络控制器；

分别针对各个主机器人和从机器人定义位置同步误差变量，并设计简易神经网络控制器。针对主机器人i和从机器人j定义位置误差为

进一步可得速度误差为

基于定义的主、从机器人的位置误差变量，设计如下滑模面

其中，λ_m,i,λ_s,j选取为正常数。

进而对(6)求导得

针对主机器人i，将(6)-(8)式代入

得

经过变换可得

其中，

依据神经网络逼近原理该非线性函数F_mx,i可利用神经网络进行逼近即，

其中W_mx,i为神经网络理想权值，

选取为高斯径向基方程即

，c_α,b_α分别代表第α个神经元的中心和宽度，

ε(X_m,i)为神经网络估计误差。

进而控制器u_mx,i设计为

其中，

为神经网络理想权值W_mx,i的估计值，K_m,i1,K_m,i2,K_m,i3选取为对角正定常数矩阵，p₁,p₂,q₁,q₂均选取为正奇数，且0＜p₁/p₂＜1，1＜q₁/q₂，sign(s_m,i)表示符号函数，即当s_m,i＝0时，sign(s_m,i)＝0，当s_m,i＞0时，sign(s_m,i)＝1，当s_m,i＜0时，sign(s_m,i)＝-1。

针对从机器人j，将(5)-(6)式代入

得

经过变换可得

其中，

依据神经网络逼近原理该非线性函数F_sx,j同样可利用神经网络进行逼近即，

其中W_sx,j为神经网络理想权值，

选取为高斯径向基方程即

，c_β,b_β分别代表第β个神经元的中心和宽度，

ε(X_s,j)为神经网络估计误差。

进而针对第j个从机器人控制器u_sx,j设计为

其中，

为神经网络理想权值W_sx,j的估计值，K_s,j1,K_s,j2,K_s,j3选取为对角正定常数矩阵，sign(s_s,j)表示符号函数，即当s_s,j＝0时，sign(s_s,j)＝0，当s_s,j＞0时，sign(s_s,j)＝1，当s_s,j＜0时，sign(s_s,j)＝-1。

步骤5，选取李雅普诺夫函数给出多主-多从遥操作系统渐近稳定的充分条件；

选取李雅普诺夫函数如下：

其中，

γ_m,i,γ_s,j选取为正常数。

其导数为

进一步通过设计神经网络权值调节律

可得

通过选取适当的神经元个数，神经网络估计误差ε(X_m,i),ε(X_s,j)有界，即满足不等式||ε(X_m,i)||≤ε_m,iN，||ε(X_s,j)||≤ε_s,jN成立，其中ε_m,iN和ε_s,jN选取为正常数。

因此最后可得

当K_m,i3和K_s,j3分别选取为大于ε_m,iN和ε_s,jN的正常数时，可得

因此可得滑模面s_m,i,s_s,j将会快速收敛至零点，且根据s_m,i,s_s,j的定义速度和位置误差

将渐近收敛至零点。由图2可知，主、从机器人末端执行器的实际轨迹会快速跟踪理想轨迹，因此主端可获得良好的透明性能，从端机器人可实现对不同物体的柔顺操作。图3为本发明的控制原理框图。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种针对多主-多从遥操作系统的增强透明性能控制方法，其特征在于：所述方法包括以下步骤：

步骤1，针对由K个操作者，K个主机器人和N个从机器人组成的网络化多主-多从遥操作系统，分别测量各个主、从机器人末端执行器的位置x_mx,i,x_sx,j、速度

和加速度

信息，并进一步测量操作者对主机器人施加的力信息F_h,i和从端机器人与外界环境的接触力信息F_e,j，其中i＝1,2,...,K，j＝1,2,...,N，下标m代表主机器人，下标s代表从机器人；

步骤2，针对多个主机器人基于接收到的从机器人力信息和操作者输入的力信息分别设计导纳理想轨迹生成器

其中，M_d,i,C_d,i,K_d,i∈R^n×n分别选取为对角正定常数矩阵，x_mr,i∈Rⁿ代表主机器人i末端执行器的理想轨迹，

分别代表理想轨迹的速度和加速度信息，∑F_e,j(t-T_j(t))表示与第i个主机器人进行通信的所有从机器人反馈的力经网络信息传输通道之和，T_j(t)代表从机器人信息传输到主机器人i时的时延信息；

步骤3，针对多个从机器人基于从机器人本身与环境的作用的力信息及接收到的主机器人的位置信息分别设计导纳理想轨迹生成器

其中M_e,j,C_e,j∈R^n×n和K_e,j∈R^n×n选定为对角正定常数矩阵，x_sd,j＝x_mx,j(t-T_m,j(t))代表与从机器人j进行通信的主端机器人通过网络传输通道得到的末端执行器位置信息，T_m,j(t)为主机器人信号传输到第j个从机器人时的时延信息，

为x_sd,j的一阶导数信息，

为x_sd,j的二阶导数信息；

步骤4，分别针对各个主机器人和从机器人定义同步误差变量，并设计神经网络控制器

和

其中

为神经网络理想权值W_mx,i的估计值，K_m,i1,K_m,i2,K_m,i3选取为对角正定常数矩阵，p₁,p₂,q₁,q₂均选取为正奇数，且0＜p₁/p₂＜1，1＜q₁/q₂，sign(s_m,i)表示符号函数，即当s_m,i＝0时，sign(s_m,i)＝0，当s_m,i＞0时，sign(s_m,i)＝1，当s_m,i＜0时，sign(s_m,i)＝-1；

为神经网络理想权值W_sx,j的估计值，K_s,j1,K_s,j2,K_s,j3选取为对角正定常数矩阵，sign(s_s,j)表示符号函数，即当s_s,j＝0时，sign(s_s,j)＝0，当s_s,j＞0时，sign(s_s,j)＝1，当s_s,j＜0时，sign(s_s,j)＝-1；

步骤5，选取李雅普诺夫函数给出多主-多从遥操作系统渐近稳定的充分条件K_m,i3≥ε_m,iN和K_s,j3≥ε_s,jN，ε_m,iN和ε_s,jN为正常数。

2.根据权利要求1所述的一种针对多主-多从遥操作系统的增强透明性能控制方法，其特征在于：步骤1中，针对网络化多主-多从遥操作系统，分别测量各个主、从机器人在末端执行器的位置、速度及加速度信息，并进一步测量操作者对主机器人施加的力信息和从端机器人与外界环境的接触力信息；考虑由K个操作者操作K个主机器人，并控制远端N个从机器人进行协同作业，主机器人i和从机器人j在笛卡尔空间下的系统模型为：

其中，x_mx,i,x_sx,j∈Rⁿ分别为主从机器人末端执行器位移向量，

为末端执行器的速度向量，

为末端执行器的加速度向量，M_mx,i(x_m,i),M_sx,j(x_s,j)∈R^n×n为系统的正定惯性矩阵，

为哥氏力和离心力的向量，G_mx,i(x_m,i),G_sx,j(x_s,j)∈Rⁿ为重力力矩，

为系统存在的未知摩擦力以及有界外界干扰，F_h,i∈Rⁿ和F_e,j∈Rⁿ分别为人类操作者i施加到主机器人i的力和远端环境施加到从机器人j的力矩，u_mx,i∈Rⁿ和u_sx,j∈Rⁿ为控制器提供的控制力矩。

3.根据权利要求1所述的一种针对多主-多从遥操作系统的增强透明性能控制方法，其特征在于：所述步骤4中，分别针对各个主机器人和从机器人定义同步误差变量，并设计神经网络控制器；

分别针对主机器人i和从机器人j定义位置同步误差变量，并设计基于滑模的神经网络控制器；针对主机器人i和从机器人j定义位置误差为

进一步可得速度误差为

基于定义的主、从机器人的位置误差变量，设计如下滑模面

其中，λ_m,i,λ_s,j选取为正常数；

进而对(6)求导得

针对主机器人i，将(5)-(7)式代入

得

经过变换可得

其中，

依据神经网络逼近原理该非线性函数F_mx,i可利用神经网络进行逼近即，

其中W_mx,i为神经网络理想权值，

选取为高斯径向基方程即

c_α,b_α分别代表第α个神经元的中心和宽度，

ε(X_m,i)为神经网络估计误差；

进而控制器u_mx,i设计为

其中，

为神经网络理想权值W_mx,i的估计值，K_m,i1,K_m,i2,K_m,i3选取为对角正定常数矩阵，p₁,p₂,q₁,q₂均选取为正奇数，且0＜p₁/p₂＜1，1＜q₁/q₂，sign(s_m,i)表示符号函数，即当s_m,i＝0时，sign(s_m,i)＝0，当s_m,i＞0时，sign(s_m,i)＝1，当s_m,i＜0时，sign(s_m,i)＝-1；

针对从机器人j，将(5)-(7)式代入

得

经过变换可得

其中，

依据神经网络逼近原理该非线性函数F_sx,j同样可利用神经网络进行逼近即，

其中W_sx,j为神经网络理想权值，

选取为高斯径向基方程即

c_β,b_β分别代表第β个神经元的中心和宽度，

ε(X_s,j)为神经网络估计误差；

进而针对第j个从机器人控制器u_sx,j设计为

其中，

为神经网络理想权值W_sx,j的估计值，K_s,j1,K_s,j2,K_s,j3选取为对角正定常数矩阵，sign(s_s,j)表示符号函数，即当s_s,j＝0时，sign(s_s,j)＝0，当s_s,j＞0时，sign(s_s,j)＝1，当s_s,j＜0时，sign(s_s,j)＝-1。

4.根据权利要求1所述的一种针对多主-多从遥操作系统的增强透明性能控制方法，其特征在于：所述步骤5中，选取李雅普诺夫函数给出多主-多从遥操作系统渐近稳定的充分条件；

选取李雅普诺夫函数如下：

其中，

γ_m,i,γ_s,j选取为正常数，

其导数为

进一步通过设计神经网络权值调节律

可得

通过选取适当的神经元个数，神经网络估计误差ε(X_m,i),ε(X_s,j)有界，即满足不等式||ε(X_m,i)||≤ε_m,iN，||ε(X_s,j)||≤ε_s,jN成立，其中ε_m,iN和ε_s,jN选取为正常数，因此最后可得

当不等式K_m,i3≥ε_m,iN和K_s,j3≥ε_s,jN成立时，可得

因此可得滑模面s_m,i,s_s,j将会快速收敛至零点，且根据s_m,i,s_s,j的定义速度和位置误差

将渐近收敛至零点；标明主、从机器人末端执行器的实际轨迹会快速跟踪理想轨迹，因此主端可获得良好的透明性能，从端机器人可实现对不同物体的柔顺操作。

Images